.png){kind=icon}
返回
Neural architecture search with integrated template-modules for efficient defect detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127211.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业生产中的表面缺陷检测对质量控制至关重要。传统手动设计检测模型的方法耗时、效率低下，且难以适应多样化的缺陷场景。为解决这些局限性，我们提出TMNAS（Template-Module Neural Architecture Search），一种双层优化框架，可自动设计高性能缺陷检测模型。TMNAS独特地将预定义的模板模块集成到灵活的搜索空间中，实现架构组件与参数的同时探索。通过引入带有计算复杂度惩罚项的单目标遗传算法，我们的方法有效避免了局部最优，并显著降低了搜索资源消耗。在工业缺陷数据集上的大量实验表明，TMNAS超越了现有最优模型；在COCO基准测试中，它以更低的计算开销实现了58.4%的有竞争力的平均精度均值（mAP）。
Keyword:
Neural architecture search
Defect detection
Bi-level optimization
Genetic algorithm
Penalty term
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile DevicesShuffleNet: 一种用于移动设备的极其高效的卷积神经网络
OAAI
OAAI分享收藏ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture DesignShuffleNet V2: 高效CNN架构设计的实用指南
PREAI
分享收藏
查看更多内容